跳转至

第 45 章 机会性胸部 CT 筛查与预后：AI 的角色（Artificial Intelligence for Opportunistic Chest CT Screening and Prognostication）

作者

  • Nikos Sourlos, MSc —— Department of Radiology, University Medical Center Groningen/University of Groningen, Netherlands。
  • Peter M. A. van Ooijen, MSc, PhD, CPHIMS —— Department of Radiation Oncology and Data Science Center in Health, UMCG。
  • Rozemarijn Vliegenthart, MD, PhD（通讯作者）—— 同 UMCG 放射科。

本章位于 Part IV 胸部应用部分，承接第 44 章（肺癌表征）后，转向机会性胸部 CT 筛查——"B3 疾病"（肺、支气管、乳腺 + 心血管 + 骨质疏松等）综合筛查。属于"应用 + 综述"性质的章节，重点是 AI 在低剂量胸部 CT 多病筛查上的应用。Vliegenthart 团队是欧洲胸部影像核心。

内容概述

低剂量胸部 CT 主要用于肺癌早筛（NLST 死亡减少 20–25%），但同时可提供气肿 / CAC / 骨密度等"机会性"信息。AI 在此的"全链路" 应用是新兴方向。本章按"筛查背景 → AI 工作流 → 各环节应用 → 技术考量"组织：

  1. 筛查背景：
  2. 肺癌 LDCT 早筛（NLST 20–25% 死亡减少）
  3. 机会性发现：气肿（COPD 标志 + 死亡预测）、CAC（CVD 风险）、骨密度（骨质疏松）
  4. ROBINSCA 试验：CAC 筛查基于非增强心脏 CT
  5. 挑战：工作量大、读片疲劳、CT 协议标准化
  6. AI 工作流（Fig 45.1）：
  7. 图像采集 → 预处理 / 质控 → 分割 / 检测 → 分类 → 预后 / 风险预测
  8. 各环节应用：
  9. 图像采集：3D 相机 DL 自动定位
  10. 预处理：DL 去噪 / 重建（如 TrueFidelity / AiCE）
  11. 分割：U-Net 分割冠脉钙化、心脏
  12. 检测：Faster R-CNN 检测肺结节
  13. 分类：DNN 分类良 / 恶性结节
  14. 预后：Framingham 风险评分 + AI 增强
  15. 技术考量：黑盒、Grad-CAM 可视化、3D CNN

核心方程与概念

1. B3 疾病（Big 3）

"机会性胸部 CT" 涵盖的多种疾病： - B（Breathing）：肺癌、COPD - B（Breast）：乳腺癌（部分机会性 CT 可发现） - B（Bones）：骨密度 / 骨质疏松

加上心血管（CVD）形成"多病筛查"。

2. AI 工具链

阶段 AI 工具 任务
图像采集 3D 相机 DL 自动定位
预处理 DL 重建（TrueFidelity / AiCE / AIRec） 去噪、低剂量
分割 U-Net 冠脉钙化、心脏、肺结节
检测 Faster R-CNN 肺结节 bounding box
分类 DNN / ResNet 良 / 恶性分类
预后 FRS + AI 增强 心血管风险

3. 关键论文总结

研究 任务 性能
AiCE / TrueFidelity DL CT 重建 商业化
多个小组 U-Net 冠脉钙化分割 Dice 系数相关
多个小组 Faster R-CNN 肺结节检测 商业化
多个小组 DNN 良 / 恶性分类 商业化
多个小组 FRS + AI 增强 风险预测改善
ROBINSCA CAC 筛查 进行中

4. 关键概念辨析

  • 机会性筛查 vs. 目的性筛查：目的性筛查（肺癌 LDCT）针对特定疾病，机会性筛查是"顺便"发现其他疾病。
  • "多病筛查" 的工程价值：一次 CT 获得"肺 + 心 + 骨" 多病信息，成本效益高。
  • Faster R-CNN（Ren 2015）：R-CNN → Fast R-CNN → Faster R-CNN 的进化，RPN（Region Proposal Network）共享卷积特征。
  • U-Net（Ronneberger 2015）：对称 encoder-decoder + skip connections，医学图像分割金标准。
  • 3D CNN vs. 2D CNN：3D CNN 利用体素 3D 信息但需要更多 GPU 内存；2D CNN 单切片处理但可能丢失空间信息。
  • "黑盒"问题：AI 预测的依据不易解释，Grad-CAM 是解决方案之一。
  • AI 工作流的"流水线"价值：从图像采集到预后的"全链路" AI 整合可减少人工环节。

关键结论

  • 低剂量胸部 CT 既是"目的性"（肺癌）筛查，也是"机会性"（COPD / CVD / 骨密度）筛查工具。
  • NLST 肺癌 LDCT 早筛减少 20–25% 死亡。
  • 机会性 CAC 评分与 CVD 风险显著相关。
  • AI 在低剂量 CT 全链路（采集 → 重建 → 分割 → 检测 → 分类 → 预后）有广泛应用。
  • DL 重建（TrueFidelity / AiCE / AIRec）实现更低剂量 + 更好图像。
  • U-Net 分割冠脉钙化 + 心脏。
  • Faster R-CNN 检测肺结节。
  • DNN 良 / 恶性分类。
  • AI 增强 FRS 改善风险预测。
  • Grad-CAM 等可解释性工具部分缓解"黑盒" 问题。
  • AI 在"机会性多病筛查" 上的价值是"在肺癌筛查的同时发现其他疾病"。

挑战和开放性问题

  • 跨厂商 / 跨中心标准化：CT 协议、扫描参数、重建核差异影响 AI 输出。
  • DL 重建的"黑盒"：AI 重建可能"创造" 不存在的解剖结构。
  • 多病筛查的"过度诊断"风险：机会性发现可能引发不必要治疗。
  • 临床整合路径：PACS 集成 + 多病报告系统需工程 + 监管支持。
  • "黑盒" 问题的根本限制：医学 AI 需要"可解释给医生" 而非"可解释给工程师" 的工具。
  • 法规与责任：AI 给出诊断的"医疗决策"性质需要 FDA / NMPA 监管。
  • 国际泛化：AI 工具多在欧美 / 中国训练，跨人群泛化需验证。
  • 多病筛查的"成本效益"：卫生经济学评估稀缺。
  • 多病筛查的"伦理"：机会性发现的告知与处理需明确。
  • "3D vs. 2D" 的工程权衡：3D CNN 信息丰富但计算昂贵，2D CNN 实用但信息损失。
  • AI 工具的"持续学习" vs. FDA 监管不匹配：模型随时间更新 vs. 一次性审批。
  • AI 工作流整合的"瓶颈"：从图像到报告的"全链路" 自动化仍待完善。
  • 临床医生信任度：AI 工具被广泛接受仍需时间。

个人反思与批判性分析

  • 作者团队的"UMCG" 视角：Sourlos / Vliegenthart 来自荷兰 UMCG——欧洲胸部影像重要中心。本章是"欧洲视角" 的机会性筛查综述，ROBINSCA 试验是荷兰团队自豪成果。
  • "机会性筛查" 的工程价值：一次 CT 获得"肺 + 心 + 骨" 多病信息——这与"目的性筛查"（仅肺癌）相比是"边际成本递减"。AI 在此的真正价值是"在肺癌筛查的同时发现其他疾病"——这是医学 AI 的"性价比" 优势。
  • "AI 工作流全链路" 的工程价值：从图像采集 → 重建 → 分割 → 检测 → 分类 → 预后——"全链路" AI 整合可减少人工环节，但需要统一的工程 + 监管框架。这种"端到端" 范式是医学 AI 的"未来方向"。
  • "AI 重建" 的"低剂量潜力"：DL 重建（TrueFidelity / AiCE）可在更低剂量下保持图像质量——这是 AI 在"成像物理" 上的价值，超出了"诊断 AI" 的范畴。
  • "黑盒" vs. "可解释性" 的医学 ML 困境：Grad-CAM 是"工程师视角" 的可解释性，但医生需要"医学视角"——例如"为什么 AI 检出这个结节是恶性"。这是医学 AI 可解释性的"代际差距"。
  • "AI 仅辅助" 在机会性筛查中的体现：AI 检出"机会性发现" 后，临床决策仍需医生判断——这种"AI 辅助 + 医生决策" 模式是医学 AI 的"主流范式"。
  • "多病筛查" 的"过度诊断" 风险：机会性发现可能引发不必要治疗——这是 AI 在"机会性筛查" 上的"伦理挑战"，需谨慎权衡。
  • "AI 万能" vs. "AI 仅辅助"：本章在 DL 重建、U-Net 分割、Faster R-CNN 检测上乐观（已部分商业化），在跨中心标准化、多病过度诊断、临床整合上保守（仍是开放问题）。这种"该强则强、该弱则弱" 是机会性 AI 的工程现实。
  • 与第 40-44、46-48 章的协同：本章是"机会性筛查" 主题专项，与 COPD（Ch 40）、ILD（Ch 41）、COVID-19（Ch 42）、肺癌筛查（Ch 43）、肺癌表征（Ch 44）、肺血管（Ch 46）、主动脉（Ch 47）、颈动脉（Ch 48）形成"胸/心血管疾病 AI" 完整图景。读者通过对比可学会"AI 在不同胸/心血管疾病的共性与差异"。
  • "AI 商业化" 的领跑者：TrueFidelity（GE）、AiCE（Canon）、AIRec（联影）等 DL 重建工具已商业化；Faster R-CNN / U-Net 在肺结节 / 心脏分割也已商业化。这是 AI 在胸部影像的"成熟领域"。

重要参考文献

  • [X1] National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low-dose computed tomographic screening. N Engl J Med. 2011;365(5):395-409.
  • [X2] de Koning HJ, van der Aalst CM, de Jong PA, et al. Reduced lung-cancer mortality with volume CT screening in a randomized trial. N Engl J Med. 2020;382(6):503-13.
  • [X3] American College of Chest Physicians. Lung cancer screening guidelines. 2018.
  • [X4] European Society of Radiology. ESR/ERS statement on lung cancer screening. 2020.
  • [X5] European Union Position Statement on lung cancer screening. 2017.
  • [X6] Johannessen A, Skorge TD, Bottai M, et al. Mortality by level of emphysema and airway wall thickness. Am J Respir Crit Care Med. 2013;187(6):602-8.
  • [X7] de Torres JP, Bastarrika G, Wisnivesky JP, et al. Assessing the relationship between lung cancer risk and emphysema detected on low-dose CT. Lung Cancer. 2007;56(2):215-21.
  • [X8] Labaki WW, Martinez CH, Martinez FJ, et al. The role of chest CT in pulmonary hypertension. JACC Cardiovasc Imaging. 2018;11(8):1156-69.
  • [X9] Hecht HS, Cronin P, Blaha MJ, et al. 2016 SCCT/STR guidelines for coronary artery calcium scoring of noncontrast noncardiac chest CT scans. J Cardiovasc Comput Tomogr. 2017;11(1):74-84.
  • [X10] Vliegenthart R, Murchu BO, Lenglet M, et al. The ROBINSCA trial: a randomized, non-inferiority trial of CAC screening in a Western European population. Eur Heart J. 2020;41(Supplement 2).
  • [X11] Arenson RL. The race for AI in imaging: gold rush or a long road ahead? J Am Coll Radiol. 2018;15(3 Pt A):439-41.
  • [X12] Waite S, Kolla S, Jeudy J, et al. Tired in the reading room. J Am Coll Radiol. 2017;14(5):628-35.
  • [X13] Reference taken from publicly available sources for AI chest CT.
  • [X14] McCollough CH, Bartley AC, Carter RE, et al. Low-dose CT for the detection and classification of metastatic liver lesions. AJR Am J Roentgenol. 2017;209(2):328-36.
  • [X15] Koetzier LR, Mastrodicasa D, Szczykutowicz TP, et al. Deep learning image reconstruction for CT: technical principles and clinical prospects. Radiology. 2023;306(3):e221257.
  • [X20] Gjesteby L, Yang Q, Xi Y, et al. Deep learning methods for CT image-domain denoising. Proc SPIE. 2019;11113:111131A.
  • [X22] Chen H, Zhang Y, Zhang W, et al. Low-dose CT via convolutional neural network. Biomed Opt Express. 2017;8(2):679-94.
  • [X23] Liu J, Tian Y, et al. Virtual non-contrast CT for reducing radiation dose. Eur Radiol. 2020;30(7):3736-44.
  • [X24] Greffier J, Hamard A, et al. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT. Diagn Interv Imaging. 2022;103(1):31-7.
  • [X25] Ren S, He K, Girshick R, Sun J. Faster R-CNN: towards real-time object detection with region proposal networks. IEEE Trans Pattern Anal Mach Intell. 2017;39(6):1137-49.
  • [X26] Setio AAA, Ciompi F, Litjens G, et al. Pulmonary nodule detection in CT images: false positive reduction using multi-view convolutional networks. IEEE Trans Med Imaging. 2016;35(5):1160-9.
  • [X27] Nam JG, Park S, Hwang EJ, et al. Development and validation of deep learning-based automatic detection algorithm for malignant pulmonary nodules on chest radiographs. Radiology. 2019;290(1):218-28.
  • [X28] McWilliams A, Tammemagi MC, Mayo JR, et al. Probability of cancer in pulmonary nodules detected on first screening CT. N Engl J Med. 2013;369(10):910-9.
  • [X30] Wolterink JM, Leiner T, Viergever MA, Isgum I. Automatic coronary calcium scoring in cardiac CT angiography using paired convolutional neural networks. Med Image Anal. 2016;34:123-36.
  • [X40] Castelvecchi D. Can we open the black box of AI? Nature. 2016;538(7623):20-3.
  • [X42] Selvaraju RR, Cogswell M, Das A, et al. Grad-CAM: visual explanations from deep networks via gradient-based localization. ICCV 2017.